Introducere în MLOps complet automatizat

MLOps complet automatizat

Arturo Opsetmoen Amador

Senior Consultant - Machine Learning

MLOps în mediul industrial

Care sunt obiectivele comune ale companiilor care utilizează machine learning?

  • Dezvoltarea de instrumente și produse ML care utilizează datele pentru a
    • Servi mai bine clienții
    • Optimiza procesele

Imagine care arată cum o companie poate folosi sisteme ML pentru a îmbunătăți procesele interne sau serviciile orientate către clienți.

MLOps complet automatizat

Optimizarea pentru generarea de valoare

Companiile urmăresc maximizarea profitului

  • Machine learning poate fi folosit pentru a crește profitabilitatea
  • Analizând costurile și veniturile, o companie poate estima profiturile potențiale
  • Implementarea unui număr optim de cazuri ML poate genera profit

Grafic cu o curbă. Pe axa x, numărul de proiecte ML. Pe axa y, veniturile generate. Curba crește până la un platou la 6 proiecte și un venit de aprox. 25 milioane, după care scade fără a mai crește.

MLOps complet automatizat

Costurile în dezvoltarea software

Costuri estimate într-un proiect tradițional de dezvoltare software:

  • Costuri de dezvoltare
  • Management de proiect
  • Design UI/UX
  • Asigurarea calității
MLOps complet automatizat

Datoria tehnică în dezvoltarea software

Datorie tehnică sau datorie de proiectare:

  • Costul remedierii cauzat de un design deficitar

Imagine cu doi ingineri în fața unei case prost construite. Unul îi spune celuilalt: „Nu înțeleg de ce durează atât de mult să adăugăm o fereastră nouă."

1 https://vincentdnl.com/drawings/
MLOps complet automatizat

Datorie tehnică ascunsă în sistemele ML

Machine Learning: „Cardul de credit cu dobândă mare al datoriei tehnice"[1].

Dataria tehnică ascunsă poate fi legată de:

  1. Datele folosite pentru antrenarea modelelor ML
  2. Modelele care susțin sistemul ML
  3. Infrastructura utilizată de sistemul ML
  4. Monitorizarea sistemului ML
1 https://research.google/pubs/pub43146/
MLOps complet automatizat

Costurile proiectelor de machine learning

Profit redus din cauza datoriei tehnice în sistemele ML: $$ $$

Imagine cu două grafice, fiecare cu o curbă. În primul grafic, venitul estimat este de 25 milioane $. În al doilea, acesta scade la 10 milioane $.

MLOps complet automatizat

Cardul de credit cu dobândă mare al datoriei tehnice

Sistemele ML pot fi complexe și greu de gestionat.

Imagine cu componentele unui sistem ML. Codul ML este un element mic în centru, înconjurat de: configurare, colectare de date, validare date, gestionare resurse, infrastructură de servire, monitorizare, instrumente de analiză, instrumente de gestionare a proceselor, extragere de caracteristici.

MLOps complet automatizat

MLOps: Cea mai bună modalitate de achitare

Dacă ML este cardul de credit cu dobândă mare al datoriei tehnice, MLOps este cea mai bună modalitate de a o achita.

MLOps poate include:

  • Testare automată
  • Urmărire automată a experimentelor
  • Monitorizare automată

Pentru a menține datoria tehnică la minimum

MLOps complet automatizat

Să exersăm!

MLOps complet automatizat

Preparing Video For Download...